Udemyのベイズ推定とグラフィカルモデル:コンピュータビジョン基礎1を受講しているときのメモ.
1. ベイズ確率について
機械学習のモデルを確率モデルとして表現するには,ベイズ推定の知識が必要.
まずは,それらの意味を確認する.
1.1. 確率と同時確率
- 確率変数:xが起こる頻度を指す
Pr(x)
- 同時確率変数: 事象xと事象yが同時に起こる頻度を指す
Pr(x, y)
- 周辺化: この同時確率変数の中の事象の一つを合計すると1変数の確率変数に変わる.
Pr(x) = \int Pr(x, y) dy
1.2. 条件付き確率
- 事象xが起きるときに,事象yが起こる確率を指す.
Pr(y|x)
- この条件付き確率は,下式で表現できる.
- 意味: 事象xが起きるときに,事象yが起こる確率と事象xが起こる時の確率をかけ合わせると事象xと事象yが同時に起こる確率
Pr(x, y) = Pr(y|x)Pr(x) \\
- 同様に,事象yが起きたときの事象xが起こる確率も表現できる.
Pr(x, y) = Pr(x|y)Pr(y)
1.4 ベイズ確率について
1.3の条件付き確率を定義した.
Pr(x, y) = Pr(y|x)Pr(x) \\
Pr(x, y) = Pr(x|y)Pr(y)
- 上の二つの条件を組み合わせたものが,下式であり,これをベイズの定理と呼ぶ.
Pr(y|x) = \frac{Pr(x|y)Pr(y)}{Pr(x)}
2. ベイズ推定
ベイズの定理を利用して,とある事象が起きた場合の事象の変化を確率的に推定すること
ベイズ推定の考え方:
-
$Pr(y)$: 事象xが起きる前の,事象yの確率
(事前確率, prior probability) -
$Pr(y|x)$: 事象xが起きた後での, 事象yの確率
(事後確率,条件付き確率, posterior probability,conditional probability)
ベイズの定理を使えば,事後確率 $P(y|x)$ は下記に従って計算できる.
Pr(y|x) = \frac{Pr(x|y)Pr(y)}{Pr(x)}
すなわち,事象xに関するデータが得られたとすると, それを反映し, 尤度$ Pr(x|y)$を求める.
そして,求めた尤度$Pr(x|y)$と事象yの事前確率から, 事後確率を推定.
また,$Pr(x)$は,正規化項目なので無視していい
何が面白いの?
- この事前確率,尤度,事後確率の関係性が機械学習に多いに関係する.
- 機械学習って尤度を求める方法の一つって捉えてもいい